Nuovo approccio di apprendimento automatico per la scoperta di leghe ad alta entropia
Secondo un nuovo studio, utilizzando un nuovo approccio di apprendimento automatico basato sulla fisica, i ricercatori hanno scoperto due nuove leghe ad alta entropia con un’espansione termica estremamente bassa. L’approccio potrebbe rappresentare un nuovo potente strumento per la scoperta e la progettazione di materiali. Per alimentare il rapido sviluppo di nuove tecnologie, ricercatori e ingegneri sono alla continua ricerca di nuovi materiali con proprietà specifiche, comprese le leghe. Le leghe convenzionali sono generalmente costituite da un singolo elemento metallico principale combinato con frazioni minori di altri elementi. Più recentemente, i ricercatori hanno iniziato a cercare leghe che combinano quantità simili di più elementi principali. Queste leghe, dette anche leghe ad alta entropia (HEA), ampliano notevolmente lo spazio di ricerca delle leghe per la progettazione dei materiali. Tuttavia, data la grande quantità di combinazioni di elementi possibili, scoprire quelli con proprietà preziose è estremamente impegnativo e semplicemente non può essere gestito con i metodi di progettazione delle leghe convenzionali. Qui, Ziyuan Rao e colleghi presentano un approccio di apprendimento automatico per schermare questo spazio di progettazione praticamente infinito per identificare le leghe Invar, leghe preziose con un’espansione termica estremamente bassa. Anche usando dati sparsi, Rao et al. mostrano che la loro rete neurale artificiale informata sulla fisica può apprendere e prevedere la complessa relazione tra gli elementi e le loro proprietà collettive in una lega. A seconda dei dati di addestramento utilizzati, è possibile individuare e prevedere proprietà specifiche di una lega, come il suo coefficiente di dilatazione termica. Utilizzando questo approccio, gli autori hanno identificato 17 nuovi HEA Invar su milioni di possibili candidati. Test sperimentali di due delle leghe Invar ad alta entropia composizionalmente complesse hanno dimostrato coefficienti di dilatazione termica estremamente bassi (2 x 10 -6 per grado kelvin a 200 kelvin), che è molto inferiore all’attuale record noto di HEA. “Con l’accumulo di set di dati sperimentali, lo sviluppo di modelli di ottimizzazione per le reti neurali artificiali e una migliore comprensione della fisica alla base delle relazioni tra elaborazione della composizione, microstruttura e proprietà, un laboratorio virtuale universale potrebbe un giorno diventare realtà”, scrive Qing-Miao Hu e Rui Yang in una prospettiva correlata.
Scoperta di leghe ad alta entropia abilitata all’apprendimento automatico
